机器学习的方法选择和临床实用性 基于互联网的认知行为疗法的结果预测
Nils Hentati Isacsson1, Fehmi Ben Abdesslem2,3,4, Erik Forsell2
1Centre for Psychiatry Research, Department of Clinical Neuroscience, Karolinska Institutet, & Stockholm Health Care Services, Region Stockholm, Sweden. nils.isacsson@ki.se.
机器学习模型可以预测基于互联网的治疗结果,但没有单一的算法是优越的. 这些模型提供了超越传统基准的临床实用性,指导未来的适应性治疗策略.
科学领域:
- 精神病学是一个精神病学.
- 数字健康数字健康
- 机器学习 机器学习
背景情况:
- 许多患者从心理治疗中没有充分受益.
- 早期识别不响应者可以启用适应性治疗策略.
- 基于互联网的认知行为疗法 (iCBT) 是一种广泛使用的数字心理健康干预.
研究的目的:
- 评估机器学习 (ML) 模型在iCBT中预测结果的临床实用性.
- 为了在预测治疗成功时比较不同的ML方法选择.
- 为未来在数字心理健康中应用ML提供指导.
主要方法:
- 对比了80个不同的机器学习模型.
- 使用了基线变量,每周的症状数据和治疗活动日志.
- 数据集包括6695名在常规护理环境中接受ICBT的患者.
主要成果:
- 最有效的模型采用了精心挑选的预测因素和缺失数据的归算.
- 没有特定的机器学习算法显示出明显的优势.
- 模型在第四周治疗时达到78.1%的平均平衡精度,与传统回归模型 (77.8%) 相比.
结论:
- 机器学习模型显著超过了临床有用性的基准 (67%).
- 复杂和简单的ML模型都表现类似,这表明了当前的局限性.
- 需要进一步研究更多的数据或精细的方法设计,以充分确定ML在这种情况下的优势.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
相关概念视频
Modeling in Therapy
Participant Modeling
Participant modeling involves therapists demonstrating calm and effective behaviors in...
Cognitive Therapy
Regression Toward the Mean
Operant Conditioning Intervention
In operant conditioning, behaviors that are...
Rational Emotive Behavior Therapy
Behavior Modification
A real-world application of operant conditioning principles is applied...
